打破黑箱：面向不平衡地震数据的加权混合效应物理约束机器学习内在可解释方法
机器学习
2025-12-23 v2
摘要
地震动模型（GMMs）对于地震风险缓解和基础设施设计至关重要。随着强震动数据库的不断扩充，机器学习（ML）越来越多地被应用于 GMM 开发。然而，现有的基于 ML 的 GMMs 作为“黑箱”运行，产生的不透明性削弱了工程决策中的置信度。此外，地震数据集表现出严重的不平衡性，稀缺的大震级近场记录导致对关键高危险性地震动的系统性低估。尽管存在这些局限性，同时解决可解释性和数据不平衡问题的研究仍然有限。本研究开发了一种内在可解释的神经网络，采用独立加性路径以及新颖的 HazBinLoss 和共线性正则化。HazBinLoss 将物理约束加权与逆箱数缩放相结合，以解决稀疏高危险性区域的欠拟合问题。共线性正则化强制路径正交性，降低路径间的相关性。该模型实现了稳健的性能：均方误差 = 0.6235，平均绝对误差 = 0.6230，决定系数 = 88.48%。路径缩放证实了已确立的地震学行为。加权层次 Student-t 混合效应分析表明残差无偏，且具有物理一致的方差分解：sigma 分量范围为 0.26-0.38（事件间）、0.12-0.41（区域间）、0.58-0.71（事件内）和 0.68-0.89（总计）。较低的事件间分量和较高的事件内分量对非各态同性危险分析具有启示意义。预测结果在多种条件下与 NGA-West2 GMMs 高度一致。这一可解释框架推进了 GMMs，为地震危险性和风险评估确立了透明且物理一致的基础。
引用
@article{arxiv.2508.19031,
title = {Breaking the Black Box: Inherently Interpretable Physics-Constrained Machine Learning With Weighted Mixed-Effects for Imbalanced Seismic Data},
author = {Vemula Sreenath and Filippo Gatti and Pierre Jehel},
journal= {arXiv preprint arXiv:2508.19031},
year = {2025}
}
备注
10 Figures and 2 Tables